15/01/16 Mesures,Erreurs,Incer,tudes danslesSciencesExpérimentales ClaireBordesetPierreLantéri EquipeChimiométrieetChimieThéorique, Ins9tutdesSciencesAnaly9quesUMR5280 Resp.MasterChimieSpécialitéFormula(onetChimieIndustrielle 1 Lamesureexpérimentale MesurandeX:grandeurquel’onveutmesurerougrandeursoumiseàmesurage. Mesurage:ensembledesopéra9onsquipermeVentd’obtenirunevaleurdeX. ToutemesureexpérimentaleappeléeXiestenréalitélasommededeuxtermes: Xi=hi+ei hi=valeurvraie=constante ei=erreurdemesurequiestunevariablealéatoire Gaussamontréquel’erreurexpérimentalesuivaitdemanièreuniverselleuneloi de distribu,on (qui porte son nom …) et qui dépend de deux paramètres : la moyenneetl’écart-type 2 1 15/01/16 LaloiNormale(ouloideGauss) Saformeanaly,queest: MOYENNE Lamoyenne« m »estunevaleur représenta(ved'unensemblede ndonnées. VARIANCE(x)=(s2) « s »estappelél’écart-type 1 x- m 2 1 y= s s 2p e 2 n µ= ∑x i =1 i n S(xi-m)2 n s2= 3 LaloiNormale(ouloideGauss) Unedistribu9onsymétriquecentréesurlamoyenneetprésentantdeuxpointsd’inflexion Pointd’inflexion delacourbe Moyenne Densitéde Probabilité + (fonc9on)=1 - - Ecarttype + Abscisseenvariablenaturellex Lespointsd’inflexionsontobtenuspourlesabscissescorrespondant àlamoyenne±1écart-type(s) 4 2 15/01/16 PropriétésdelaloiNormale Probabilitép2pourqu’une valeurdexsoitinférieureàx2 Probabilitép1pourqu’une valeurdexsoitinférieureàx1 x x1 x x2 x2 x1 x p2-p1=Probabilitépourqu’unevaleur dexsoitcompriseentrex1etx2 5 PropriétésdelaloiNormale Encadrementssymétriquesdelamoyenne 0,6827 Probabilité=68,27%pour quexsoit comprisdansl’intervalle m 1 s 0,9545 Probabilité=95,45%pour quexsoit comprisdansl’intervalle m 2 s 6 3 15/01/16 Intervallesdeconfiance 0,9973 Probabilité=99,73%pour quex soitcomprisdansl’intervalle m 3 s Pourencadrerunrésultatonparlerad’intervalledeconfiance: il y a plus de 99% de chances d’obtenir un résultat dans l’intervalle[moyenne-3s , moyenne+3s ]. 7 LaloiNormalestandard variablecentréeréduite z = x-m s + Moyenne=0 Probabilité«p» (fonc9on)=1 - écarttype=1 - -3-2-10123z + z Abscisseenvariablecentréeréduite OntrouvedanslaliVératureladistribu9ondelavariablezsousformedetables 8 4 15/01/16 LaloiNormalestandard 0,9546 0,6827 Probabilité=68,27%pour quez soitcomprisdansl’intervalle 1 Probabilité=95,46%pour quez soitcomprisdansl’intervalle 2 0,9973 Probabilité=99,73%pour quez soitcomprisdansl’intervalle 3 9 Enpra,que:u9lisa9ondelaloisousformede tables: Probabilitép2 pourqu’une valeurdexsoit inférieure àz àx2 valeursoitinférieure LoiNORMALE (extraits) z -2 .5 -2 .4 -2 .3 -2 .2 -2 .1 -2 0 0.0062 0.0082 0.0107 0.0139 0.0179 0.0228 2 2.1 2.2 2.3 2.4 2.5 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.01 0.0060 0.0080 0.0104 0.0136 0.0174 0.0222 0.9778 0.9826 0.9864 0.9896 0.992 0 0.9940 0.02 0.0059 0.0078 0.0102 0.0132 0.0170 0.0217 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 Probabilité0,0228 pourqu’une valeurdezsoitinférieureà-2 -2 z 0.03 0.0057 0.0075 0.0099 0.0129 0.0166 0.0212 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.04 0.0055 0.0073 0.0096 0.0125 0.0162 0.0207 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.05 0.0054 0.0071 0.0094 0.0122 0.0158 0.0202 0.06 0.0052 0.0069 0.0091 0.0119 0.0154 0.0197 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 Probabilité0,9772pourqu’une valeurdezsoitinférieureà+2 +2 0.07 0.0051 0.0068 0.0089 0.0116 0.0150 0.0192 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 z 0.08 0.0049 0.0066 0.0087 0.0113 0.0146 0.0188 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.09 0.0048 0.0064 0.0084 0.0110 0.0143 0.0183 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0,9546 Probabilité=0,9546 z (95,46%) pour que-2<z<+2 10 5 15/01/16 Représenta,ondel’erreurexpérimentaleei C’estunedistribu9ondeGausscentréesurzéro (l’échelledesabscissesestenunitésd’écart-type) 0 En moyenne, l’erreur est nulle:0 s La dispersion de "ei" est mesurée par sa variance : var(ei)=s2 -3 ouparl’écart-types. -2 -1 1 2 3 68,27% 95,45% 99,73% Lavariancedel’erreurestaussilavarianceexpérimentaledelamesure 11 Evalua,onetes,ma,ondel’erreurexpérimentaleei L’erreurexpérimentaleapourpropriétéd’avoirunemoyennenulle;ones9mesadispersionen répétantplusieursfoislamesure.Oncalculealorslavarianceetl’écart-typedelasériedes valeursrépétéesquisontlavarianceetl’écart-typedel’erreurexpérimentale. Justesse : d’une manière générale, on peut définir l’erreur de justesse comme la composante systématique de l’erreur d’un instrument ou d’un système de mesure. Une méthode est “ juste ” si elle conduit à des résultats dont la moyenne est égale à la vraie grandeur à mesurer La méthode alors n’a pas d’erreur systématique et l’erreur aléatoire a « zéro » pour moyenne (ce qui signifie que l’erreur est “nulle en moyenne ”. Fidélité : d’une manière générale, on peut définir l’erreur de fidélité comme la composante aléatoire de l’erreur d’un instrument ou d’un système de mesure. La fidélité caractérise l’étroitesse de l’accord entre les valeurs expérimentales obtenues au cours d’un ensemble d’expériences faites dans des conditions déterminées (étroitesse de l’accord entre des mesures effectuées sur des prises multiples d’un même échantillon homogène). La fidélité d’une méthode s’exprimera donc par sa variance, son écart-type ou parfois par son coefficient de variation (rapport entre l’écart-type et la moyenne, exprimé sous forme de pourcentage). 12 6 15/01/16 Intervalledeconfianced’unemesure • Uneseulemesure:enappliquantlaloideGausspourunemesureindividuelle,l’intervalle deconfianceestx zs zétantunevaleurtabuléedelaloideGaussfonc9ondelaconfiancequel’onveutaccorderaurésultat(zest d’environ2pour95%deconfiance) • Plusieursmesures(unemesurerépétéenfois):onremplacelamesureindividuelleparla moyennedesmesures𝑥 =∑↑▒𝑥↓𝑖 /𝑛 ;ceVemoyenneestaussicentréesurlavaleurvraie maissadispersionestplusfaibleetsonécart-typevaut /√𝑛 L’intervalledeconfianceest𝑥 ±z /√𝑛 etlamesureseraplusprécise. NB:sinest«pe(t»onu(liseàlaplacedezunevaleur«t»deStudentquicorrespondàunélargissementde l’erreur;testaussiunevaleurtabuléefonc(ondelaconfiance.L’intervalledeconfiancesera𝑥 ±t /√𝑛 ,(pour 5répé((onset95%deconfiancet=2,77). 13 Autretyped’erreur:l’erreursystéma,que L’erreursystéma,que(encoreappelée«biais»)estdueàl’instrumenta9on(malréglée)ouà laméthodedemesure. Elle mesure l’écart entre la mesure obtenue et une référence absolue. Elle est difficile à détectersil’onnepossèdepasderéférence(commeunétalonouunmatériauderéférence cer9fié). Elle agit toujours dans le même sens (en excès ou en défaut) d’où son appella9on de « systéma9que »; si l’on arrive à la connaître, on pourra soustraire ou ajouter la valeur correspondante.Ellen’intervientpasdansl’intervalledeconfiance. 14 7 15/01/16 Quelquesdéfini,onsu,les Répétabilité : c’est la mesure de la dispersion obtenue par un même opérateur, dans un même lieu (donc dans un laboratoire donné), utilisant un même appareil, dans un intervalle de temps réduit. Reproductibilité : c’est la mesure de la dispersion obtenue dans des laboratoires différents, en reprenant la définition de la fidélité intermédiaire. Robustesse : c’est la capacité d’une méthode à fournir des résultats exacts en présence de légères variations des facteurs expérimentaux maîtrisables. Seuil de détection : c’est la plus petite quantité de l’élément à analyser pouvant être détectée, mais non quantifiée par une valeur précise (on admet souvent comme détectable un signal égal à 3 fois le bruit de fond). Seuil de Sensibilité : c’est la plus petite variation de teneur de l’élément à analyser quantitativement mesurable (on admet souvent une variation de signal égale à 10 fois le bruit de fond). 15 No,onsetnota,onsnécessairesàl’es,ma,ondel’incer,tude Condi,onsderépétabilité:lesdifférentsmesuragesdeXsontréalisésdansdescondi9ons strictementiden9ques(mêmeprotocole,mêmesinstruments,mêmeexpérimentateur,même solu9on9trante,mêmejour,mêmelieu…). Sionrépète(condi(onsderépétabilité)Nfoislemêmemesurage,lesrésultatsobtenussonten généraldifférents.Onnoteraxilerésultatd’unmesurageet𝒙 lamoyennearithmé(quedesN résultatsobtenus(𝒙 =∑𝟏↑𝑵▒𝒙↓𝒊 /𝑵 ). Condi,onsdereproduc,bilité:lesdifférentsmesuragesdeXsontréalisésselonlemême protocole,maisuneaumoinsdesautrescondi9onsdiffère. 16 8 15/01/16 No,onsetnota,onsnécessairesàl’es,ma,ondel’incer,tude ErreurdemesureER:ER=xi-XvraioùXvraiestlavaleur«vraie»deX.Xvraiest,parprincipe,inconnue. L’erreurERestlasommededeuxcontribu9ons:ER=(ER)a+(ER)s Erreuraléatoire(ER)a:(ER)a=xi–𝒙 .Elleestcauséeparlesnombreuxparamètresincontrôlablesdesdifférentes opéra9onsdumesurage.Ellepeutêtreréduiteenaugmentantlenombred’observa9ons. Erreursystéma,que(ER)s:(ER)s=𝒙 –Xvrai.Ellepeutêtredueàl’instrumenta9on(mauvaisétalonnaged’un instrument),àlaméthode(repéragedel’équivalence).Elleagittoujoursdanslemêmesens.Difficileàdétecter, ellepeutêtrecorrigée. 17 Incer,tude Incer,tude,incer,tude-typeu(x):paramètreassociéaurésultatdumesurage,quicaractériseladispersiondes valeursquipourraientraisonnablementêtreaVribuéesaumesurandeX.Lorsqueleparamètreu9liséestunécarttype,onparled’incer9tude-type,notéeu(x).Lavarianceestlecarrédel’incer9tude-type.Enabsenced’erreur systéma9que,l’incer9tudedéfinitunintervalleautourdelavaleurmesuréequiinclutXvrai.Appelléintervallede confiance. Composantedel’incer,tude:contribu9ond’unesourced’incer9tudeàl’incer9tudetotale. L’inventairedessourcesd’incer9tude sefaitàl’aidedudiagramme: 18 9 15/01/16 Incer,tude-typecomposéeuc(x):écarttypeobtenuencombinanttouteslescomposantesde l’incer9tudeàl’aidedelaloidepropaga9ondesincer9tudes.C’estlaracinecarréedela variancetotaledetouteslescomposantes. Niveaudeconfiance:probabilitéd’obtenirunrésultatxdansl’intervalled’incer9tudedonné. Incer,tude-typeélargieU(x),coefficientd’élargissementk:l’incer9tude-typeélargieest obtenueenmul9pliantuc(x)paruncoefficientd’élargissementquidépendduniveaude confiancesouhaité.Généralement,k=2auniveaudeconfiancede95%(celacorrespondà l’applica9ondelaloideGauss). Présenta,ondurésultatd’unmesurage:X=x U(x)(niveaudeconfiance).L’arrondidex 9entcomptedelavaleurdeU(x),quipeutêtredonnéeavecunoudeuxchiffressignifica9fs. Lescalculsintermédiairessefontsansarrondi. 19 Evalua,ondetypeAdel’incer,tude: Onrépèteplusieursfoislamesuredanslesmêmescondi9onsetl’ones9meu(x)enconsidérant unedistribu9ongaussiennedesrésultats(distribu9onnormale). 20 10 15/01/16 Distribution d'échantillonnage de la moyenne Estimation de la variance d’une population Si une variable aléatoire est distribuée suivant une loi de probabilité de moyenne m et de variance s 2, La variance qui caractérise un « échantillon » de taille n, dont les valeurs sont x1,x2,…xn, est par définition : la moyenne empirique x est distribuée selon une loi normale de moyenne m = m x et de variance s 2 x = s2 n x m n-1 E(s2n) = n s 2 On démontre que selon la taille n de l’échantillon on a : +¥ -¥ Abscisse : variable x d’écart-type s Abscisse : variable x S(xi - x)2 n Ce n'est pas un estimateur sans biais de la variance de la population dont il est issu. m -¥ sn2 = +¥ d’écart-type s x Il faut donc prendre comme estimateur de la variance de la population n 2 s n-1 n s^2 = S(xi - x)2 n -1 Soit pour l’estimation de s 2 : Tout se passe donc comme si on estimait la variance de la population avec (n-1) comme diviseur au lieu de n. 21 Pour un échantillon de n observations indépendantes d'une grandeur x qui suit une loi normale de moyenne m et d'écart-type s ), En résumé, pour les VARIANCES : si on connaît s : Z= x-m s n suit une loi Normale si on ne connaît pas s on doit l’estimer à travers l’échantillon: x-m t= ^ s n suit une loi de Student avec n = n-1 et S(xi - x)2 ^ s= n-1 Population : s2 = S(xi - m)2 n Echantillon : sn 2 = S(xi - x)2 n Estimation de la variance de la population : S(xi - x)2 s^2 = n -1 NB: dans ce cas pour des échantillons « grands » (>30) on peut faire l’approximation de la loi de Gauss. En résumé, pour les Intervalles de CONFIANCE : Valeur individuelle : x ± zc s Grands Echantillons (> 30 répétitions) : x ± zc ^ s n Petits Echantillons (< 30 répétitions) : x ± tc s^ n 22 11 15/01/16 Evalua,ondetypeBdel’incer,tude: Onauneseulevaleurdelamesure.Ones9meu(x)àpar9rdesspécifica9onsdesappareilsdemesures. Instrumentétalonné Lecer9ficatd’étalonnagefournitl’écartmaximumtoléré(EMT).Onpeutsupposerunedistribu9ontriangulaire(appareilneuf): u(x)= 𝐸𝑀𝑇/√3 . Instrumentsansaucuneindica,on Ones9melalargeurddel’intervalleàl’intérieurduquelsesituetrèsprobablementx(unegradua9onsurun instrumentanalogiqueouseuildemobilité,c’est-à-direvaleuràpar9rdelaquelleledernierdigitchange,pourun instrumentnumérique).Onsupposeuneloidedistribu9onrectangulaireetonprend:u(x)= 𝑑/2√3 Onpeutsupposerunedistribu9onsta9s9querectangulaire(appareilbeaucoupu9lisé):u(x)= 𝐸𝑀𝑇/√6 23 Propaga,ond’incer,tude: Loi de propagation : si le mesurande X s’exprime en fonction des mesurandes Y, Z, … alors SilemesurandeXs’exprimeenfonc9ondesmesurandesY,Z,…alorson,danslecasoùles erreurssontconsidéréescomme«pe9tes»devantlesvaleursdesgrandeurs: on a, dans le cas où les erreurs sont considérées comme « petites » devant les valeurs des 𝜹𝒇 𝜹𝒇 grandeurs : u(x)2 = [ ] 2 u(y)2 + [ ] 2 u(z)2 + … où u(x), u(y), u(z) … sont les écart𝜹𝒚 𝜹𝒛 Oùu(x),u(y),u(z)…sontlesécart-typessurlesvaleursx,y,z…,desmesurandesX,Y,Z… type sur les valeurs x , y, z.., des mesurandes X, Y, Z... Exemple1:X=2Y–Z.Onob9ent:u(x)2=[2]2u(y)2+[-1]2u(z)2. Exemple2:X=kYaZb.Onpeutmontrerque:(𝑢(𝑥)/𝑥 )2=(𝑎𝑢(𝑦)/𝑦 )2+(𝑏𝑢(𝑧)/𝑧 )2 24 12 15/01/16 Exempledemiseenœuvred’unprocessusenchimieanaly,que Subs tance à analyser Prélèvement de l'échantillon Prépa ration de l'échantillon "Qualité" de la préparation : réactifs, verrerie, méthode... utilisation de stand ards (étalo ns, référen ces....) Etalo nnag e Mes ure utilisation des cartes de contrô le Résulta t réglage et o ptimiation de l'appareillage déterminatio n de la limite de sensibilité Ana ly se des données Décision fina le : résultat avec son interv alle de co nfiance 25 13